cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Yudhi Nugroho Adi
Contact Email
library@tekomuniversity.ac.id
Phone
+628128000110
Journal Mail Official
library@telkomuniversity.ac.id
Editorial Address
Jl. Telekomunikasi - Ters. Buah Batu Bandung 40257 Indonesia
Location
Kota bandung,
Jawa barat
INDONESIA
eProceedings of Engineering
Published by Universitas Telkom
ISSN : 23559365     EISSN : -     DOI : https://doi.org/10.34818/eoe.v9i5.18452
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering
Merupakan media publikasi karya ilmiah lulusan Universitas Telkom yang berisi tentang kajian teknik. Karya Tulis ilmiah yang diunggah akan melalui prosedur pemeriksaan (reviewer) dan approval pembimbing terkait.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 8,304 Documents
 633   634   635   636   637 
Deteksi Varian Penggunaan Helm dari Kamera Surveilans Menggunakan Metode Berbasis Deep Learning Faturahman, Farhan; Yunanto, Prasti Eko; Sulistiyo, Mahmud Dwi
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sepeda motor merupakan moda transportasi utama diIndonesia, tetapi tingkat kepatuhan terhadap penggunaanhelm masih rendah. Rekaman kamera surveilans yang seringkali memiliki resolusi rendah menyulitkan deteksi otomatis.Selain itu, variasi helm yang digunakan, seperti full-face,half-face, non-standar, serta pengendara tanpa helm,menjadi tantangan dalam proses pendeteksian. Penelitian inibertujuan untuk mengembangkan model deep learningberbasis YOLOv8n yang mampu mendeteksi penggunaanhelm pada citra beresolusi rendah. Dataset dikumpulkansecara mandiri dengan sudut pandang serta pencahayaanyang serupa. Pengujian dilakukan dengan berbagaikonfigurasi batch size dan jumlah epoch untuk menemukanparameter optimal. Hasil evaluasi menunjukkan bahwamodel dengan 100 epoch dan batch size 32 memberikanperforma terbaik dengan mAP@50 sebesar 0.984, mAP@50-95 sebesar 0.819, precision 0.953, recall 0.952, dan F1-score0.953. Model ini mampu mendeteksi empat kategori helmdengan akurasi tinggi meskipun pada citra beresolusi rendah.Penelitian ini membuktikan bahwa YOLOv8n dapatdigunakan untuk deteksi otomatis penggunaan helm denganakurasi tinggi, yang dapat membantu sistem pemantauan lalulintas dan meningkatkan keselamatan berkendara. Kata kunci: deteksi helm, kamera surveilans, resolusi rendah,deep learning, YOLOv8
Facial Expression Recognition Dengan Pemodelan Berbasis CNN Pada Wajah Bermasker Indidharmanto, Ahmad Maulana; Ihsan, Aditya Firman; Sulistyo, Mahmud Dwi
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pandemi Covid-19 yang telah menyebabkanpenggunaan masker wajah menjadi hal yang umum dimasyarakat sebagai upaya untuk mencegah penyebaran virus.Namun, hal ini menimbulkan tantangan baru dalampengenalan ekspresi wajah atau Facial Expression Recognition(FER). Facial Expression Recognition digunakan untukmemahami bagaimana manusia berperilaku, sehinggamembantu dalam strategi pencegahan penyebaran virus danmenghilangkan halangan manusia untuk saling bersosialisasiwalau dalam keterbatasan. Dalam hal keamanan, dapatdimanfaatkan untuk membedakan orang yang memiliki intensiburuk dibalik ekspresi yang tertutup masker. Kekurangan yangada pada Facial Expression Recognition saat ini yaituterbatasnya pendeteksian berbagai macam jenis ekspresidikarenakan hilangnya informasi penting dari area mulut danhidung yang tertutup masker. Penelitian ini bertujuan untukmenemukan model arsitektur Convolutional Neural Network(CNN) dengan akurasi dalam beberapa ekspresi sepertibahagia, marah, sedih, netral, dan terkejut. Penelitian inimengevaluasi performa tiga model, yaitu ResNet50, EmotionEnsemble Model, dan VGG19. ResNet50 menunjukkanperforma dengan akurasi 89.51%, Emotion Ensemble Modeldengan akurasi 82.49%. Sementara itu VGG19 mencapaiakurasi 72.44%. Kontribusi utama penelitian ini adalahpengembangan ensemble yang cukup akurat pada datasetdengan variasi tinggi, serta analisis terhadap keunggulan dankelemahan setiap model. Membantu mengenal pemilihanarsitektur model yang tepat untuk pengenalan ekspresi berbasiscitra pada kondisi terbatas. Kata kunci— facial expression recognition, convolutionalneural network, ResNet50, masker wajah, deep learning,Masked-Fer2013
Identifikasi Pengguna Berbasiskan Biometrik Keystroke Menggunakan MVMCNN Azzam, Muhammad Abdullah; Yunanto, Prasti Eko; Sulistiyo, Mahmud Dwi
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keamanan akses pengguna daring menjadi isukrusial di era digital. Identifikasi berbasis biometrik, sepertikeystroke dynamics, dianggap lebih aman dibandingkanmetode konvensional. Penelitian ini mengimplementasikanMulti-Voter Multi-Commission Nearest Neighbor Classifier(MVMCNN) untuk identifikasi pengguna melalui keystrokedynamics. MVMCNN dipilih karena kemampuannya mengatasikelemahan KNN dengan skema multi-voter dan pendekatanLocal Mean Probabilistic Neural Network (LMPNN). Datasetkeystroke dari Universitas Telkom digunakan dengan fitur UD,DD, DU, UU, dan Duration. Eksperimen meliputi tiga skenario:(1) menentukan panjang vektor optimal (N=4, 8, 12, 16, 20, 24),(2) penyederhanaan fitur menjadi rata-rata dan median, serta(3) seleksi fitur menggunakan Variance Threshold (0.1).Evaluasi menggunakan F1-Score. Hasil menunjukkan skenariopertama dengan N=20 menghasilkan F1-Score tertinggi(0.6911). Penyederhanaan fitur menurunkan performa, denganF1-Score terbaik 0.3031 (mean, k=9) dan 0.3257 (median, k=3),menandakan pentingnya kekayaan informasi dalam fitur.Seleksi fitur menggunakan Variance Threshold tidak banyakmengubah performa, menunjukkan distribusi data sudahoptimal. Temuan ini menegaskan bahwa granularitas databerperan penting dalam akurasi sistem identifikasi berbasiskeystroke dynamics. Kata kunci— biometrik, keystroke, identifikasi, mvmcnn, f1-score.
Implementasi Metode Gravitational Search Algorithm- Adaboost Untuk Pada Prediksi Diabetes Pada Anak Berdasarkan Data Ekspresi Gen Farid, Mochammad Rafi; Kurniawan, Isman
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Diabetes merupakan penyakit parah yang terjadipada saat insulin tidak dapat dihasilkan dengan baik plehpankreas atau pada saat tubuh tidak bisa menggunakaninsulin yang diproduksi oleh pankreas secara efektif, Insulinmerupakan suatu hormon dengan fungsi mengontrolglukosa dalam darah. Diabetes melitus tipe 1 (DMT1) seringterjadi pada anak dan remaja hingga 90%. Data yangberisi profil ekspresi gen pada anak-anak dengan T1D danT2D, pengukuran dilakukan saat diagnosis pada awal dandiulang 4 bulan setelahnya , dan juga setelah mendapatkanpengobatan, maka Matriks ekspresi gen kemudianditransposisikan dan tiga fitur demografis yang dianggappenting yaitu usia, jenis kelamin, dan ras. Setelahmelakukan proses GSA, dataset akan dilakukan prosesklasifikasi, dengan menggunakan metode utama yaituAdaptive Boosting (AdaBoost), selanjutnya ditambahkan 2metode ensemble sebagai pembanding yaitu KNeighbors(KNN), Multi- Layer Perceptron (MLP). Kemudiandilakukan hyperparameter tuning bertujuan untuk mencariniai yang paling optimal dengan meningkatkan kinerja padamodel. Parameter scanning pada proses tuning dilakukandengan menggunakan search cross validation (grid searchCV). tersebut akan menjadi tolok ukuruntuk mengevaluaisiketiga model yang digunakan sehingga diperoleh hasilpaling optimal yakni AdaBoost dengan accuracy 0,666 danF1-Score 0,769. Kata kunci: Diabetes melitus, Gravitational Search Algorithm, Multi-Layer Perceptron, Adaptive Boosting, KNeighbors
Klasterisasi Data Kompetisi Mahasiswa Menggunakan Algoritma K-Modes Nugroho, Raditya Pradhyatama; Kurniati, Angelina Prima; Wibowo, Yanuar Firdaus Arie
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kompetisi adalah salah satu aspek penting dalam duniapendidikan. Salah satu fungsi utama partisipasi dalamkompetisi adalah dapat mengukur kemampuan diri. Selainitu, kompetisi juga memiliki berbagai manfaat, yakni dapatmenciptakan inovasi baru dalam pemecahan suatu masalah,memberikan pengalaman baru, dan mengenal/memahamipersaingan antar peserta. Peserta kompetisi di bidangpendidikan, tidak lepas dari dukungan universitas yangmewadahi segala fasilitas dan penunjang dalam aspeklainnya. Untuk lebih mengenal perkembangan kompetisipeserta dalam suatu universitas, diperlukan analisis datayang dapat memberikan gagasan baru. Teknik analisis datayang efektif adalah dengan pendekatan penambangan data,lebih rincinya klasterisasi. Klasterisasi memiliki banyakvariasi algoritma dengan salah satu contohnya K-Modes yangmampu menangani data kategorikal seperti data kompetisi.Sebagai perguruan tinggi dengan peraih prestasi yang cukupbanyak dan menjadi salah satu universitas swasta terbaik diIndonesia, Universitas Telkom menjadi subjek yang menarikuntuk implementasi algoritma K-Modes. Penelitian inibertujuan untuk melakukan klasterisasi K-Modes pada datakompetisi Mahasiswa Universitas Telkom dan ditambahdengan metode Silhouette Score dan Davies-Bouldin Indexuntuk membantu menentukan jumlah klaster yang optimal.Hasil penelitian menunjukkan jumlah klaster optimal adalah13 klaster dengan Silhouette Score bernilai 0,23 (jangkauannilai -1 hingga 1) dan Davies-Bouldin Index bernilai 1,95(jangkauan nilai mulai dari 0 ke bilangan positif).Selanjutnya penelitian ini memberikan visualisasi klasterklaster K-Modes dari perhitungan metode PrincipalComponent Analysis (PCA) dan hasil identifikasi berupainformasi analisis setiap klaster. Kata kunci: Davies-Bouldin Index, K-Modes, Klasterisasi, PCA, Silhouette Score, Universitas Telkom
Mendeteksi Indikasi Peristiwa Besar Berdasarkan Fluktuasi IHSG Caramoy, Senza; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini berfokus pada deteksi indikasi peristiwa besaryang mempengaruhi fluktuasi Indeks Harga SahamGabungan (IHSG) di Bursa Efek Indonesia menggunakanmodel power law. Metode ini digunakan untuk menganalisispola ekstrem dalam data time-series IHSG danmengidentifikasi hubungan antara peristiwa besar denganperubahan harga saham. Data yang digunakan dalampenelitian ini merupakan harga penutupan harian IHSGdari tahun 1993 hingga 2022. Setelah dilakukan pengolahandan analisis menggunakan model power law, ditemukanbahwa beberapa peristiwa besar di Indonesia, sepertireformasi ekonomi tahun 1999 dan pandemi COVID-19tahun 2020, memiliki korelasi dengan perubahan signifikandalam IHSG. Hasil analisis menunjukkan bahwa metodepower law lebih akurat dalam mendeteksi kejadian ekstremdibandingkan dengan pendekatan statistik konvensionalseperti standar deviasi, dengan nilai koefisien determinasi(R-squared) mencapai 0,98. Kesimpulan dari penelitian inimenunjukkan bahwa model power law dapat digunakansebagai pendekatan alternatif dalam analisis fluktuasi pasarsaham. Pengembangan lebih lanjut dapat dilakukan denganintegrasi teknologi machine learning serta peningkatankualitas data untuk hasil yang lebih akurat. Kata Kunci: IHSG, peristiwa besar, fluktuasi harga saham,power law, analisis data time-serie.
Pendeteksian berita palsu menggunakan RoBERTa dengan Optimalisasi Word Embedding Arminta, Adisaputra Nur; Sibaroni, Yuliant
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyebaran berita palsu (hoax) telah menjadi permasalahanserius yang mempengaruhi opini publik dan menciptakanpolarisasi di masyarakat. Penelitian ini bertujuan untukmendeteksi berita palsu menggunakan model RoBERTa yangdioptimalkan dengan tiga teknik word embedding. Wordembedding yang digunakan adalah RoBERTa, Word2Vec,dan GloVe. Dataset yang digunakan adalah "Indonesian factand hoax political news" yang diambil dari Kaggle, Datasetini memerlukan tahap pre-processing untuk membersihkanketidakkonsistenan data, seperti mengubah singkatanmenjadi kata lengkap dan menghapus tanda baca.Selanjutnya, dilakukan representasi teks menggunakan tigametode word embedding yaitu Word2Vec, GloVe, danRoBERTa. Proses pelatihan model dilakukan dengan validasisilang K-Fold untuk meningkatkan generalisasi model. Hasilpenelitian menunjukkan bahwa embedding RoBERTamencapai akurasi terbaik 96%, sedangkan word embeddingWord2Vec mendapatkan akurasi 94%. Word EmbeddingGlove menunjukkan performa paling rendah dengan akurasi51%. Penelitian ini membuktikan bahwa pemilihan teknikword embedding yang tidak tepat untuk model RoBERTadapat mengurangi akurasi dan efektivitas model dalammendeteksi berita palsu. Diharapkan bahwa temuan dalampenelitian ini dapat memberikan kontribusi terhadappeningkatan sistem deteksi berita palsu di masa mendatang. Kata kunci: hoax, RoBERTa, GloVe, Word2Vec
Prediksi Employee Attrition Menggunakan Metode Decision Tree dan XGBoost dengan Seleksi Fitur ChiSquare Putri, Arla Sifhana; Lhaksmana, Kemas Muslim
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Employee attrition adalah peristiwa di mana suatuperusahaan kehilangan karyawan karena berbagai alasan.Employee attrition dapat berdampak negatif terhadapproduktivitas dan stabilitas perusahaan, sehinggaperusahaan perlu mengambil langkah pencegahan yangtepat terhadap terjadinya hal tersebut. Dalam penelitianini, metode klasifikasi yang digunakan adalah DecisionTree dan XGBoost, dengan menerapkan seleksi fitur Chisquare. Metode Decision Tree dipilih karena kemudahaninterpretasi dan implementasinya, sementara XGBoostdipilih karena memiliki kinerja prediksi yang sangat baik.Seleksi fitur Chi-square digunakan untukmengidentifikasi fitur-fitur yang memiliki hubungansignifikan dengan fitur target. Evaluasi performa antarakedua metode dilakukan menggunakan metrik sepertiaccuracy, precision, recall, dan f1-score. Hasil penelitianmenunjukkan bahwa metode Decision Tree mencapaiakurasi tertinggi sebesar 93.58% dengan memanfaatkan20 fitur dengan nilai Chi-square tertinggi. Sementara itu,metode XGBoost berhasil mencapai akurasi terbaiksebesar 98.65% dengan memanfaatkan 25 fitur dengannilai Chi-square tertinggi. Penggunaan seleksi fitur Chisquare secara signifikan meningkatkan performa modelprediksi. Hal ini menunjukkan bahwa model denganmetode XGBoost lebih unggul dalam memprediksikemungkinan terjadinya employee attrition dibandingkandengan metode Decision Tree. Kata kunci: employee attrition, prediksi, decision tree, xgboost, chi-square
Prediksi Sektor Industri Saham BEI dengan Metode Linear Discriminant Analysis berdasarkan laporan keuangan Mustaghfirin, Muhammad Rafid; Saepudin , Deni
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengelompokan perusahaan berdasarkan sektor industrimerupakan aspek penting dalam analisis investasi, namunklasifikasi yang dilakukan secara manual di Bursa EfekIndonesia (BEI) masih kurang optimal dalam memanfaatkandata laporan keuangan sebagai dasar prediksi. Oleh karenaitu, penelitian ini mengembangkan model prediksi sektorindustri berdasarkan laporan keuangan menggunakanmetode Linear Discriminant Analysis (LDA) danmembandingkannya dengan Extreme Gradient Boosting(XGBoost). Data laporan keuangan perusahaan yangterdaftar di BEI dalam rentang 2010–2022 digunakan sebagaidataset utama, dengan proses pre-processing, normalisasi,dan oversampling menggunakan Borderline-SMOTE untukmengatasi ketidakseimbangan kelas. Evaluasi modeldilakukan dengan metrik accuracy, precision, recall, dan F1-score, serta dilakukan analisis fitur menggunakanPermutation Importance untuk menentukan variabel yangpaling berpengaruh. Hasil penelitian menunjukkan bahwametode LDA memiliki akurasi 27,51%, sedangkan XGBoostmencapai 63,87%, yang menunjukkan bahwa pendekatannon-linear XGBoost lebih unggul dalam mengklasifikasikansektor industri berdasarkan laporan keuangan. Selain itu,fitur total aset, total pendapatan, dan inventaris ditemukansebagai variabel paling berpengaruh dalam prediksi.Penelitian ini memberikan kontribusi dalam pengembanganmetode otomatis untuk klasifikasi sektor industri, yang dapatdigunakan oleh investor dan analis dalam mendukungpengambilan keputusan investasi yang lebih akurat. Kata Kunci: bursa efek indonesia, linear discriminant analysis, xgboost, laporan keuangan, prediksi sektor industri
Sistem Question Answering pada Data Kesehatan Menggunakan Model pre-trained BERT Alhafidz, Bagas Millen; Rachmawati, Ema; Yunanto, Prasti Eko
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Setelah pandemi covid-19, kesehatan menjadi halyang harus diperhatikan. Sebagian besar masyarakatmenggunakan search engine sebagai alat untuk mencariinformasi tentang kesehatan. Namun informasi yangdidapatkan berupa query hasil search engine yang masihumum. Sistem Question Answering adalah sistem yangmemberikan informasi sesuai informasi yang dibutuhkan olehpengguna secara spesifik. Pada penelitian ini dibangun sistemQuestion Answering menggunakan metode BidirectionalEncoder Representations from Transformer (BERT). BERTmerupakan sebuah pre-trained model yang menggunakanarsitektur transformer. BERT dapat menyelesaikan tugassistem Question Answering. Dengan pre-trained model, sistemtidak perlu melakukan training model dari awal. Sistem hanyaperlu menggunakan train model yang telah dibuat oleh oranglain sesuai tugas yang dibutuhkan untuk menghemat waktu dansumber daya. Untuk mengukur performansi, digunakan metodeExact Match (EM) dan F1-score. Hasil dari penelitian ini skorterbaik yang didapat yaitu Exact Match 75% dan F1-score76%.Kata kunci— question answering, BERT, pre-trained model,kesehatan

Page 635 of 831 | Total Record : 8304

 633   634   635   636   637 

Filter by Year

2014 2025


Reset
Filter By Issues
All Issue Vol. 12 No. 6 (2025): Desember 2025 Vol. 12 No. 5 (2025): Oktober 2025 Vol. 12 No. 4 (2025): Agustus 2025 Vol. 12 No. 3 (2025): Juni 2025 Vol. 12 No. 2 (2025): April 2025 Vol. 12 No. 1 (2025): Februari 2025 Vol. 11 No. 6 (2024): Desember 2024 Vol. 11 No. 5 (2024): Oktober 2024 Vol. 11 No. 4 (2024): Agustus 2024 Vol. 11 No. 3 (2024): Juni 2024 Vol. 11 No. 2 (2024): April 2024 Vol. 11 No. 1 (2024): Februari 2024 Vol. 10 No. 6 (2023): Desember 2023 Vol 10, No 5 (2023): Oktober 2023 Vol. 10 No. 5 (2023): Oktober 2023 Vol. 10 No. 4 (2023): Agustus 2023 Vol 10, No 3 (2023): Juni 2023 Vol. 10 No. 3 (2023): Juni 2023 Vol. 10 No. 2 (2023): April 2023 Vol 10, No 2 (2023): April 2023 Vol. 10 No. 1 (2023): Februari 2023 Vol 9, No 6 (2022): Desember 2022 Vol. 9 No. 5 (2022): Oktober 2022 Vol 9, No 5 (2022): Oktober 2022 Vol. 9 No. 4 (2022): Agustus 2022 Vol 9, No 4 (2022): Agustus 2022 Vol 9, No 3 (2022): Juni 2022 Vol 9, No 2 (2022): April 2022 Vol 9, No 1 (2022): Februari 2022 Vol 8, No 6 (2021): Desember 2021 Vol 8, No 5 (2021): Oktober 2021 Vol. 8 No. 5 (2021): Oktober 2021 Vol 8, No 4 (2021): Agustus 2021 Vol 8, No 3 (2021): Juni 2021 Vol. 8 No. 2 (2021): April 2021 Vol 8, No 2 (2021): April 2021 Vol 8, No 1 (2021): Februari 2021 Vol 7, No 3 (2020): Desember 2020 Vol 7, No 2 (2020): Agustus 2020 Vol 7, No 1 (2020): April 2020 Vol 6, No 3 (2019): Desember 2019 Vol 6, No 2 (2019): Agustus 2019 Vol 6, No 1 (2019): April 2019 Vol 5, No 3 (2018): Desember 2018 Vol 5, No 2 (2018): Agustus 2018 Vol 5, No 1 (2018): April 2018 Vol 4, No 3 (2017): Desember, 2017 Vol 4, No 2 (2017): Agustus, 2017 Vol 4, No 1 (2017): April, 2017 Vol 3, No 3 (2016): Desember, 2016 Vol 3, No 2 (2016): Agustus, 2016 Vol 3, No 1 (2016): April, 2016 Vol 2, No 3 (2015): Desember, 2015 Vol 2, No 2 (2015): Agustus, 2015 Vol 2, No 1 (2015): April, 2015 Vol 1, No 1 (2014): Desember, 2014 More Issue